Framing and Agenda-setting in Russian News: a Computational Analysis of Intricate Political Strategies
Carnegie Mellon University（卡内基梅隆大学）；University of Haifa（海法大学）；Stanford University（斯坦福大学）
在对媒体操纵的日益关注中，NLP的注意力集中在审查和“假新闻”等公开策略上。在这里，我们从政治学文献中借鉴两个概念，探索政府媒体操纵的微妙策略：新闻设置（选择要报道的主题）和框架（决定如何报道主题）。我们分析了13年（10万篇文章）的俄罗斯报纸消息报，并确定了一种分散注意力的策略：文章在俄罗斯经济衰退后的一个月里更频繁地提到美国。我们引入嵌入为基础的方法跨语言投射英语框架俄罗斯，并发现这些文章强调美国的道德缺陷和威胁到美国我们的工作提供了新的方法来确定微妙的媒体操纵策略的交叉点的设置和框架。
2018-10-29 cs.CL
Two Stage Transformer Model for COVID-19 Fake News Detection and Fact Checking
通过社交媒体平台进行在线交流的技术的快速发展导致错误信息和假新闻的传播大量增加。假新闻在当前的COVID-19大流行中尤其猖獗，导致人们相信虚假和潜在有害的说法和故事。快速检测假新闻可以缓解恐慌、混乱和潜在健康危害的传播。我们使用最先进的机器学习模型进行自然语言处理，为COVID-19假新闻检测开发了一个两阶段自动化流程。第一个模型利用了一种新颖的事实检查算法，该算法检索与特定COVID-19索赔有关的用户索赔的最相关事实。第二个模型通过计算索赔与从手动策划的COVID-19数据集检索的真实事实之间的文本蕴涵来验证索赔的真实程度。该数据集基于一个公开可用的知识源，包括5000多个COVID-19虚假声明和经验证的解释，其中一个子集经过内部注释和交叉验证，以训练和评估我们的模型。我们评估了一系列基于经典文本特征的模型，以更上下文的Transformer为基础的模型，并观察到基于BERT和ALBERT的模型管道分别为两个阶段产生最好的结果。
2020-11-26 cs.CL cs.IR cs.LG
Annotation-Scheme Reconstruction for "Fake News" and Japanese Fake News Dataset
SANKEN Osaka University（大阪大学产业科学研究所）；NARA Institute of Science and Technology（奈良先端科学技术大学院大学）
假新闻引发了许多社会问题;因此，人们对假新闻检测任务进行了广泛的研究。许多假新闻数据集被构建为促进这一任务的资源。当代的研究几乎完全集中在新闻的真实性方面。然而，仅从这一方面不足以解释“假新闻”，这是一个复杂的现象，涉及面很广。要充分认识每一个假新闻的本质，重要的是要从多个角度来观察它，如假新闻传播者的意图，新闻对我们社会的危害性，以及新闻的目标。我们基于对现有假新闻数据集的详细调查，提出了一种具有细粒度标签的新注释方案，以捕获假新闻的各个方面。使用注释方案，我们构建并发布了第一个日本假新闻数据集。该注释方案有望提供对假新闻的深入了解。我们计划使用我们的方案为日语和其他语言构建数据集。我们的日本数据集发布在https://hkefka385.github.io/dataset/fakenews-japanese/上。
2022-04-06 cs.CL cs.CY
Applying Automatic Text Summarization for Fake News Detection
University of Regensburg（雷根斯堡大学）
假新闻的传播不是一个新问题，而是一个迅速增长的问题。通过社交媒体消费新闻的转变是误导性和故意错误信息传播的驱动因素之一，因为除了易于使用之外，很少有任何真实性监测。由于这些假新闻对社会的有害影响，对这些假新闻的检测变得越来越重要。我们提出了一种方法的问题，结合了基于transformer的语言模型的力量，同时解决其固有的问题之一。我们的框架CMTR-BERT结合了多种文本表示，其目标是规避底层Transformer架构通常遭受的顺序限制和相关信息丢失。此外，它还可以合并上下文信息。在两个非常不同的公开数据集上进行的大量实验表明，我们的方法能够设置新的最先进的性能基准。除了使用自动文本摘要技术的好处，我们还发现，纳入上下文信息有助于性能增益。
2022-04-04 cs.AI cs.CL
Detection of fake news on CoViD-19 on Web Search Engines
University of Catania（卡塔尼亚大学）；INFN Sezione di Catania（意大利国家核物理研究所卡塔尼亚分部）；Complexity Science Hub Vienna（维也纳复杂性科学中心）
2020年1月初，中国报告了武汉市首例新型冠状病毒（SARS-CoV-2）病例后，不可靠且不完全准确的信息开始比病毒本身传播得更快。除了这种流行病，人们还经历了一种平行的信息流行病，即，大量的信息，其中一些是误导性的，甚至是有害的，已经在全球范围内广泛传播。虽然社交媒体越来越多地被用作信息源，但网络搜索引擎，如谷歌或雅虎，仍然是在Web上查找信息的强大且值得信赖的资源。这是因为它们能够捕获最大量的信息，帮助用户快速确定最相关、最有用的搜索结果，尽管这些结果并不总是最可靠的。本研究旨在通过捕获和分析流经搜索引擎的文本信息来检测潜在的误导和虚假内容。通过使用与最近的CoViD-19大流行相关的真实世界数据集，我们首先应用重采样技术来解决类别不平衡问题，然后使用现有的机器学习算法对不可靠的新闻进行分类。通过提取新闻文章的相关统一资源定位符（URL）的词汇和基于主机的特征，我们表明，所提出的方法，所以常见的钓鱼和恶意URL检测，可以提高分类器的效率和性能。基于这些发现，我们建议同时使用文本和URL特征可以提高假新闻检测方法的有效性。
2021-06-05 cs.CL cs.IR cs.LG
From Adversarial Poetry to Adversarial Tales: An Interpretability Research Agenda
DEXAI – Icaro Lab（DEXAI–Icaro实验室）；Sapienza University of Rome（罗马大学）；Sant’Anna School of Advanced Studies（圣安娜高级研究学校）；VU Amsterdam（阿姆斯特丹伏里商学院）
本文提出对抗性故事技术，通过结构分解攻击大型语言模型，揭示其在文化编码框架下的脆弱性，并提出研究如何叙述线索影响模型表示的可解释性议程。
2026-01-16 cs.AI cs.CL cs.CY
Measuring the Volatility of the Political agenda in Public Opinion and News Media
University of Exeter（埃克塞特大学）；Oxford Internet Institute（牛津互联网研究院）；University of Oxford（牛津大学）；King’s College London（伦敦国王学院）；Alan Turing Institute（艾伦·图灵研究所）；Meedan
最近的选举意外、政权更迭和政治冲击表明，政治议程变得更加快速和动荡。因此，衡量议程变化的复杂动态和掌握政治制度波动的性质和程度的能力比以往任何时候都更加重要。本研究结合政治学、传播学、信息论和计算技术，提出了波动性的定义和操作化。拟议的细分和议程改变措施包括改变整个议程中问题的突出性，并允许跨不同领域研究议程。我们评估这些指标，并将其与其他指标进行比较，如问题层面的生存率和彼得森指数，该指数使用民意调查数据来衡量公共议程，以及传统媒体内容来衡量英国和德国的媒体议程。我们展示了这些措施是如何补充现有的方法，并可以在未来的环境设置研究。
2021-09-19 cs.CL cs.CY cs.IT
Model Generalization on COVID-19 Fake News Detection
The Hong Kong University of Science and Technology（香港科技大学）
在COVID-19大流行期间，世界正面临前所未有的信息泛滥，虚假和真实信息都在扩散。考虑到COVID-19假新闻带来的问题性后果，科学界一直在努力解决它。为了有助于这场对抗信息流行病的斗争，我们的目标是为CONSTRAINT 2021提出的COVID-19假新闻检测任务实现一个强大的模型（FakeNews-19）通过采取两种不同的方法：1）用鲁棒的损失函数微调基于Transformers的语言模型，2）通过影响计算去除有害的训练实例。我们通过评估不同的COVID-19错误信息测试集（Tweets-19）来进一步评估我们模型的鲁棒性，以了解模型的泛化能力。对于第一种方法，我们在共享任务上实现了98.13%的加权F1得分（W-F1），而在Tweets-19上实现了38.18%的W-F1最高。相反，通过执行影响力数据清洗，我们的模型具有99%的清洗百分比，可以在Tweets-19上实现54.33%的W-F1得分。通过在两个COVID-19假新闻测试集上评估我们的模型，我们提出了模型泛化能力在这项任务中的重要性，以进一步解决在线社交媒体平台中的COVID-19假新闻问题。
2021-01-11 cs.AI cs.CL
Style-News: Incorporating Stylized News Generation and Adversarial Verification for Neural Fake News Detection
National Yang Ming Chiao Tung University（国立阳明交通大学）
针对神经假新闻传播问题，提出Style-News对抗验证框架，通过风格感知生成器与双判别器的对抗训练，在生成质量与假新闻检测性能上均超越现有方法。
2024-01-27 cs.AI cs.CL cs.SI
Detect, Investigate, Judge and Determine: A Knowledge-guided Framework for Few-shot Fake News Detection
University of Science and Technology of China（中国科学技术大学）；State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室）；The Hong Kong University of Science and Technology（香港科技大学）
针对少样本假新闻检测中的理解歧义和信息稀缺问题，提出 DKFND 框架，通过检测、调查、判断与裁定模块融合内外部知识，提升 LLM 在低资源场景下的检测性能。
2025-08-28 cs.AI cs.CL
Evidence-aware Fake News Detection with Graph Neural Networks
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Beijing Institute of Technology（北京理工大学）
虚假新闻的泛滥和危害性已经成为互联网上的一个重要问题，这反过来又刺激了虚假新闻自动检测的发展。在本文中，我们专注于基于证据的假新闻检测，其中利用多种证据来探测新闻的真实性（即，索赔）。大多数先前的方法首先采用顺序模型来嵌入语义信息，然后基于不同的注意力机制来捕获声明-证据交互。尽管它们有效，但仍然存在两个主要弱点。首先，由于序列模型固有的缺陷，它们无法整合证据中分散的相关信息进行准确性检查。第二，忽视了证据中包含的大量冗余信息，而这些冗余信息可能是无用的，甚至是有害的。针对这些问题，本文提出了一个统一的基于图的语义结构挖掘框架，简称GET。具体来说，不同于现有的工作，把索赔和证据序列，我们把它们建模为图结构的数据，并捕捉分散的相关片段通过邻域传播之间的长距离语义依赖。在获得上下文语义信息后，我们的模型通过执行图结构学习来减少信息冗余。最后，细粒度的语义表示被馈送到下游的索赔-证据交互模块进行预测。综合实验证明了GET算法的优越性。
2022-02-08 cs.AI cs.CL
It's All in the Embedding! Fake News Detection Using Document Embeddings
University Politehnica of Bucharest（布加勒斯特理工大学）
本文提出利用文档嵌入构建假新闻检测模型，并在五个大型新闻语料库上验证其优于复杂深度神经网络，证明文档编码比模型复杂度更关键。
2023-04-16 cs.AI cs.CL
Adversarial Contrastive Learning for Evidence-aware Fake News Detection with Graph Neural Networks
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
虚假新闻的泛滥和危害性已经成为互联网上的一个重要问题，这反过来又刺激了虚假新闻自动检测的发展。在本文中，我们专注于基于证据的假新闻检测，其中利用几个证据来探测新闻的真实性（即，索赔）。以往的方法大多先采用序列模型嵌入语义信息，然后基于注意力机制捕捉索赔-证据交互。尽管它们很有效，但仍然存在三个弱点。首先，序列模型不能整合证据中分散的相关信息。其次，他们低估了证据中大量的冗余信息可能是无用的或有害的。第三，数据利用不足限制了模型所捕获的表示的可分离性和可靠性。针对这些问题，本文提出了一个统一的基于图的语义结构挖掘框架，简称GETRAL，该框架采用对比学习。具体来说，我们首先将索赔和证据建模为图结构数据，以捕获长距离语义依赖。因此，我们通过执行图结构学习来减少信息冗余。然后将细粒度的语义表示输入到索赔-证据交互模块进行预测。最后，采用对抗式对比学习模块，充分利用数据，强化表示学习。综合实验表明GETRAL算法优于现有算法，验证了图结构语义挖掘和对比学习的有效性。
2022-10-11 cs.AI cs.CL
Discursive objection strategies in online comments: Developing a classification schema and validating its training
Cornell University（康奈尔大学）；University of Missouri（密苏里大学）
本研究针对社交媒体有害言论的话语回应问题，通过分析YouTube、Twitter上超8500条新闻评论回复，识别出七种话语性反对策略并验证其频率，构建了相关分类体系，为理解民间反冒犯言论行动提供参考。
2024-05-13 cs.CL cs.CY
The News Comment Gap and Algorithmic Agenda Setting in Online Forums
London School of Economics and Political Science（伦敦政治经济学院）
通过分析奥地利报纸Der Standard的120万条评论，研究揭示了记者与读者的“新闻评论鸿沟”，并提出FORUM指标评估评论排序算法对讨论的影响。
2024-08-23 cs.AI cs.CL cs.CY
A multi-layer approach to disinformation detection on Twitter
Politecnico di Milano（米兰理工大学）
我们通过单独检查他们在Twitter上的传播机制来解决与虚假信息和主流新闻有关的新闻文章的分类问题。与现有的基于文本的方法相比，我们的技术本质上是简单的，因为它允许绕过在新闻内容中发现的多层次的复杂性（例如语法，句法，风格）。我们采用多层表示的Twitter扩散网络，我们计算每一层的一组全球网络功能，量化不同方面的共享过程。两个大规模数据集的实验结果，分别对应于在美国和意大利共享的新闻的扩散级联，表明一个简单的Logistic回归模型能够分类虚假信息与主流网络具有较高的准确性（AUROC高达94%），也考虑到政治偏见的不同来源的分类任务。我们还强调了两个新闻领域的共享模式的差异，这似乎是国家独立的。我们相信，我们基于网络的方法提供了有用的见解，为未来开发一个系统来检测社交媒体上传播的误导性和有害信息铺平了道路。
2020-11-12 cs.CL cs.IR cs.SI
Countering Online Hate Speech: An NLP Perspective
The Chinese University of Hong Kong（香港中文大学）
网络仇恨言论已经引起了所有人的注意，从与COVID-19大流行、美国大选和全球抗议活动有关的新闻。网络毒性--网络仇恨行为的总称，表现为网络仇恨言论等形式。仇恨言论是以目标实体的身份或观点为动机，针对个人或群体的蓄意攻击。通过社交媒体进行的大众传播日益增多，进一步加剧了网上仇恨言论的有害后果。虽然使用自然语言处理（NLP）对仇恨言论识别进行了大量研究，但利用NLP预防和干预在线仇恨言论的工作相对缺乏。本文提出了一个整体的概念框架仇恨言论的NLP对抗方法，以及对NLP对抗网络仇恨言论的当前进展进行了全面调查。它根据其作用时间对对抗技术进行了分类，并确定了未来关于这一主题的潜在研究领域。
2021-09-07 cs.CL cs.LG
A Survey on Multimodal Disinformation Detection
Qatar Computing Research Institute, HBKU（哈马德·本·哈利法大学卡塔尔计算研究所）；IIT-CNR（意大利国家研究委员会信息处理研究所）；IIT Delhi（德里印度理工学院）；Sapienza University of Rome（罗马第一大学）；Sofia University（索非亚大学）；University of Padova（帕多瓦大学）；Facebook AI（脸书人工智能）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
近年来，网上攻击性内容激增，如假新闻，宣传，错误信息和虚假信息。虽然最初这主要是关于文本内容，但随着时间的推移，图像和视频越来越受欢迎，因为它们比文本更容易消费，吸引更多的注意力，并传播得更远。因此，研究人员开始利用不同的模式及其组合来解决在线多模态攻击性内容。在这项研究中，我们提供了一个调查的国家的最先进的多模态虚假信息检测，涵盖各种形式的组合：文本，图像，语音，视频，社交媒体网络结构和时间信息。此外，虽然一些研究侧重于真实性，但其他研究调查了内容的危害程度。虽然虚假信息定义中的这两个组成部分（i）真实性和（ii）危害性同样重要，但它们通常被孤立地研究。因此，我们认为，需要解决虚假信息检测，同时考虑到多种形式以及事实性和危害性，在同一个框架。最后，我们讨论了当前的挑战和未来的研究方向
2022-09-28 cs.AI cs.CL cs.CR
"Attention" for Detecting Unreliable News in the Information Age
Seernet Technologies, LLC（Seernet 技术有限责任公司）
不可靠的新闻是任何虚假或误导性的信息，故意传播以促进政治，意识形态和金融议程。最近，随着利用新闻和社交媒体进行宣传的数量迅速增加，不可靠新闻的问题引起了很多关注。这对社会构成了严重威胁，社会需要技术来自动可靠地识别不可靠的新闻来源。本文是在这个方向上作出的努力，建立系统检测不可靠的新闻文章。本文在Unreliable News Data 2017数据集上构建并评估了各种NLP算法。层次注意力网络（HAN）的变体的编码和分类的新闻文章，达到0.944 ROC AUC的最佳结果。最后，注意力层权重被可视化，以理解和洞察HAN做出的决策。所获得的结果是非常有前途的，令人鼓舞的部署和使用这些系统在现实世界中，以减轻不可靠的新闻的问题。
2017-11-03 cs.CL
Detecting and Reasoning of Deleted Tweets before they are Posted
Qatar Computing Research Institute（卡塔尔计算研究所）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）
本研究针对阿拉伯语推文，识别被删除内容并标注细粒度虚假信息类别，开发预测删除可能性及原因的模型，以支持发布前的内容审核。
2023-05-05 cs.AI cs.CL cs.CY
Detecting Anchors' Opinion in Hinghlish News Delivery
IIIT-Delhi（德里英迪拉·甘地信息技术学院）
人类喜欢表达自己的意见，渴望别人的意见。从各种来源挖掘和检测意见对个人、组织甚至政府都是有益的。新闻媒体就是这样的组织之一，在那里，一般的规范是不展示他们一方的观点。广告商是数字媒体的代言人，要求他们不要固执己见。然而，他们有时会偏离公认的规范，有意或无意地将自己的观点插入原本直截了当的新闻报道中。这主要是在辩论中看到的，因为它要求主播是自发的，从而使他们容易添加他们的意见。这种失误的后果可能导致有偏见的新闻，甚至在最坏的情况下支持某种议程。为此，我们提出了一个新的任务，主播的意见检测辩论。我们策划代码混合新闻辩论并开发ODIN数据集。数据集中共有2054个主播的话语被标记为固执己见或非固执己见。最后，我们提出了DetONADe，一个基于注意力的交互式框架，用于对主播的话语进行分类，并获得了0.703的最佳加权F1分数。全面的分析和评估显示了数据集和预测中许多有趣的模式。
2022-04-05 cs.CL
FakeWatch: A Framework for Detecting Fake News to Ensure Credible Elections
Vector Institute（矢量研究所）；Toronto Metropolitan University（多伦多都会大学）；RBC Royal Bank（加拿大皇家银行）
本文提出FakeWatch框架，通过整合传统机器学习与最先进语言模型，并利用北美选举新闻数据集构建分类模型，以有效检测选举相关虚假新闻。
2024-05-04 cs.CL
Fine-Grained Analysis of Propaganda in News Articles
Qatar Computing Research Institute, HBKU（哈马德·本·哈利法大学卡塔尔计算研究所）；MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）；Università di Bologna（博洛尼亚大学）；A Data Pro
宣传的目的是影响人们的心态，以推进具体议程。以前的工作已经解决了在文件级别的宣传检测，通常标记为宣传性新闻媒体的所有文章作为宣传。这种嘈杂的黄金标签不可避免地会影响任何在其上训练的学习系统的质量。大多数现有系统的另一个问题是缺乏可解释性。为了克服这些限制，我们提出了一个新的任务：通过检测包含宣传技术的所有片段及其类型来执行文本的细粒度分析。特别是，我们创建了一个语料库的新闻文章手动注释的片段水平与18宣传技术，我们提出了一个合适的评价措施。我们进一步设计了一个新的多粒度神经网络，我们表明，它优于几个强大的基于BERT的基线。
2019-10-06 cs.AI cs.CL cs.IR
Are LLMs Enough for Hyperpartisan, Fake, Polarized and Harmful Content Detection? Evaluating In-Context Learning vs. Fine-Tuning
本研究系统比较了微调与上下文学习在检测虚假、极端党派和有害内容上的效果，发现微调优于上下文学习，即使模型更小，也胜过大型模型的上下文学习。
2025-09-09 cs.AI cs.CL
SemCAFE: When Named Entities make the Difference Assessing Web Source Reliability through Entity-level Analytics
University of Duisburg-Essen（杜伊斯堡-埃森大学）；Rensselaer Polytechnic Institute（拉特格斯理工学院）；University of Caen Normandy（卡昂-诺曼底大学）
SemCAFE通过实体级语义分析（结合YAGO知识库）为新闻文章创建语义指纹，在2022年俄乌冲突相关文章上检测可靠性，宏F1分数较最先进方法提升12%。
2025-09-09 cs.CL cs.CY cs.LG
Detecting potentially harmful and protective suicide-related content on twitter: A machine learning approach
Medical University of Vienna（维也纳医科大学）；Complexity Science Hub Vienna（维也纳复杂性科学中心）；Graz University of Technology（格拉茨工业大学）；Institute of Globally Distributed Open Research and Education（全球分布式开放研究与教育研究所）；Vienna University of Technology（维也纳工业大学）
研究表明，接触与自杀有关的新闻媒体内容与自杀率有关，其中一些内容特征可能具有有害作用，而另一些则具有潜在的保护作用。虽然有很好的证据证明了一些选定的特征，但总体上缺乏系统的大规模调查，特别是社交媒体数据。我们应用机器学习方法来分类大量的Twitter数据，根据一种新的注释方案，区分12类自杀相关的推文。然后，我们训练了一个机器学习模型的基准，包括一个多数分类器，一种基于词频的方法（带有线性SVM的TF-IDF）和两个最先进的深度学习模型（BERT，XLNet）。这两个深度学习模型在两个分类任务中表现最好：在第一个任务中，我们将六个主要内容类别分类，包括关于自杀意念和企图或应对的个人故事，旨在传播问题意识或预防相关信息的行动呼吁，自杀案例的报告，以及与这些类别无关的其他推文。深度学习模型在六个类别中的平均准确率达到73%以上，除了自杀意念和企图类别（0.51-0.55）之外，所有类别的F1分数都在0.70 - 0.85之间。在第二个任务中，将涉及实际自杀的推文与偏离主题的推文分开，他们正确地标记了大约88%的推文，BERT在这两个类别中分别获得了0.93和0.74的F1分数。这些分类性能与类似任务的最新技术相当。通过提高数据标签的效率，这项工作使人们能够对社交媒体内容与自杀率和求助行为之间的有害和保护性联系进行大规模调查。
2022-06-28 cs.CL cs.LG
MCWDST: a Minimum-Cost Weighted Directed Spanning Tree Algorithm for Real-Time Fake News Mitigation in Social Media
National University of Science and Technology Politehnica Bucharest（布加勒斯特国立科技理工大学）；University of Copenhagen（哥本哈根大学）
本文提出一种端到端方案，结合卷积与双向LSTM的堆叠深度学习检测假新闻，并通过构建最小代价加权有向生成树和危害性排序实时免疫传播节点，在五个真实数据集上验证了有效性。
2024-01-19 cs.AI cs.CL cs.NE
TeamX@DravidianLangTech-ACL2022: A Comparative Analysis for Troll-Based Meme Classification
BJIT Limited（BJIT有限公司）；Qatar Computing Research Institute, HBKU（哈马德·本·哈利法大学卡塔尔计算研究所）
假新闻、宣传、错误信息、虚假信息和有害内容在网上的传播引起了社交媒体平台、政府机构、政策制定者和整个社会的担忧。这是因为这种有害或滥用的内容会给人们带来身体、情感、关系和经济等方面的后果。在不同的有害内容中，\textit{trolling-based}在线内容就是其中之一，其目的是发布具有挑衅性、攻击性或威胁性的信息，意图误导受众。内容可以是文本的、视觉的、两者的组合，或者是模因。在这项研究中，我们提供了一个基于巨魔模因分类的文本，视觉和多模态内容的比较分析。我们报告了几个有趣的发现，在代码混合文本，多模式设置，并结合一个额外的数据集，这表明大多数基线的改进。
2022-05-09 cs.AI cs.CL cs.CV
